第 1 章 绪论
1.1 研究背景及意义
有着黑色黄金之称的煤炭是推动我国经济发展的主要能源，其产量和消费量远超其他化石能源。仅 2019 年，我国的煤炭总产量就达到了 37.5 亿吨[1]，约占一次性能源消费量的 57.7%[2]，图 1-1 为 2019 年我国一次能源消费结构图。再加上我国贫油和少气的特点，所以可以预见在未来很长一段时间内煤炭依然会是我国的主要消费能源。
图 1-1 2019 年一次性能源消费结构图
..............................
1.2 国内外研究现状
1.2.1 国外研究现状
煤炭作为推动工业发展的重要能源，率先完成工业革命的各国如美国、英国、德国等国自上世纪 30 年代开始就对煤和矸石的分选技术进行了研究。先后提出了 20 余种分选方法，其中比较有代表性的有双能γ射线透射法、机械振动、光电选矸、红外反射和雷达探测等方法。
在上世纪 80 年代中期，J.S.Watt 等把双能γ射线透射法应用到煤矸在线自动分析上[9]，此方法可很好的分选 50-150mm 粒度级别的煤和矸石。由于γ射线选煤设备具有体积小和安装简单的优点，一般在中小型选煤厂使用的较多。而且这种方法使用的干法进行选矸，所以其也适合在较为干旱地区使用。
随着光电技术的不断发展，英国的 Gunson Sortex Ltd 公司将这种技术引入煤和矸石分选中来，其利用煤与矸石对激光的吸收及反射能力的不同，并借鉴 40年代用于种子分选的色选机模型设计了 MP-80 型煤矸石分选机，有效的提高了分选速度[10,11]。
上世纪 90 年代，英国利兹大学 L.Wade 教授提出了井下煤矸分选的方法，其主要是依据煤和矸石硬度上的差异，通过弹性负载破碎机施加恰当的作用力使硬度较小的煤破碎成较小的颗粒或者完全破碎，而硬度较大的矸石保持原来的颗粒状态或者破碎较少，来实现煤和矸石的分选[12]。这种选择性破碎的方法对目标的粒度有较大的要求，一般要求煤和矸石的粒度不小于 125mm，而且难以实现恒压运行。
2007 年来自肯特大学的 David M Hobson 等人提出了利用煤和矸石图像中的灰度值和表面纹理特性的差异来实现煤和矸石分选的方法[13]，但是作者只是找出了两者在灰度和纹理上的差异并没有将其应用到实际的生产中。
2016 年来自印度奥里萨邦技术研究所的 Debi Prasad Tripathy 等人提出了三种基于共生矩阵的扩展方法[14]，选取了同质性、对比度、相关性、能量和信息熵等 5 个常用的纹理特征，并将颜色和纹理特征相结合，最后使用神经网络对特征进行识别分类，取得了较好的识别效果。
.....................
第 2 章 卷积神经网络和迁移学习基础理论
2.1 卷积神经网络的发展
卷积神经网络（ConvolutionNeuralNetworks，CNN）的发展最早可追溯到上世纪 60 年代，生物学家 Hubel 和 Wiesel 在对猫大脑中的视觉皮层进行研究时发现，视觉皮层的细胞只对投影在屏幕上的图像的特定部位特别感兴趣，而对其他部位没有多大反应，并由此提出了局部感受野(Receptivefields)的概念[32]。在此基础上，日本科学家福岛邦彦于 1980 年提出了多层感知机的概念[33]，多层感知机为卷积神经网络的出现奠定了基础。YannLecun 借鉴了多层感知机的思想，构建了最早的卷积神经网络模型LeNet-5[34]，并将反向传播算法[35](Back Propagation，BP)应用到这个网络上，就形成了当代卷积神经网络的雏形。
当时由于卷积神经网络算法不够成熟，同时也受限于硬件的制约，虽然在识别手写数字之类的任务上有一定效果，但由于在更一般的实际任务中却鲜有亮眼的表现，所以其长时间处于学术界的边缘地位。直到 2012 年，在 ILSVRC（ImageNetLargeScaleVisualRecognitionChallenge）图像识别比赛中，由 Hinton和他的学生 AlexKrizhevsky 提出的 AlexNet 卷积神经网络一下子把 top-5 的错误率降至 15%[36]，以远越第二名 11 个百分点的巨大优势夺得了冠军，颠覆了图像识别领域，从而卷积神经网络才又重新回到人们的视野中。随后又有 VGGNet[37]、GoogLeNet[38]和 ResNet[39]等更加优秀的卷积神经网络相继被提出，进一步提升了卷积神经网络的性能，使图像识别错误率进一步下降，甚至已经超越人类的识别水平[40]。
....................
2.2 卷积神经网络原理
由于卷积神经网络是模拟生物大脑的视觉神经系统而设计的，所以让其天生就具备了很强的视觉特征提取能力。同生物视觉神经系统类似，卷积神经网络同样也是分层次的，依次由卷积层、池化层和全连接层构成，其中卷积层和池化层主要用于目标图像特征信息的提取，而全连接层则是把提取到的分布式特征映射到样本标记空间，从而实现图像的分类。由于卷积神经网络具有很强的平移不变性，因此也被成为“平移不变人工卷积神经网络”。一个典型的卷积神经网络模型如图 2-1 所示。
图 2-1 卷积神经网络结构
第 3 章 经典网络模型的分析与对比......................... 23
3.1 AlextNet 网络模型 ............................. 23
3.2 VGGNet 网络模型............................. 24
第 4 章 煤和矸石图像数据集设计................................ 31
4.1 引言 .......................... 31
4.2 图像样本采集 .............................. 31
第 5 章 基于卷积神经网络和迁移学习的煤矸石识别....................... 39
5.1 框架的选择 .......................... 39
5.2 实验环境 .............................. 40
第 5 章 基于卷积神经网络和迁移学习的煤矸石识别
5.1 框架的选择
由于卷积神经网络结构复杂，完全从头构建一个网络模型显然会耗费大量时间进行编程，因此选择合适的深度学习框架就显得尤为重要了，它可以帮我们节省很多重复性工作。目前开发人员所使用的深度学习框架不尽相同，常用的有Keras、Tensorflow、Caffe、Theano、Torch/PyTorch、MXNet 和 Deeplearning4j 等。表 5-1 展示了各种框架的对比。
表 5-1 常用深度学习框架对比
...........................
结论
煤炭作为推动我国经济发展的主要能源之一，但是在煤炭开采的过程中会混入大量的矸石，既降低了煤和矸石的燃烧值，也造成了环境污染，因此对没和矸石的分选成为必不可少的一环。人工捡矸法存在劳动强度大和效率低下等问题，因此，本文引入了基于卷积神经网络的煤和矸石的识别方法。
为了完成煤和矸石图像的识别，本文主要做了以下工作：
（1）对煤和矸石的采集过程进行了合理的设计，主要包含：收集了不同地点的煤和矸石作为图像样本采集的对象以保证样本的多样性，为了更加贴合实际生产的环境以黑色背景进行图像的采集，固定相机与背景之间的距离尽可能的把煤和矸石的粒度大小反应在图像上，对矸石进行过采样以保证数据的均衡性。通过随机旋转、水平和垂直翻转和改变明亮度等数据增强方式对采集的数据集进行了进一步的扩充。并将扩充后的煤和矸石图像样本顺序打乱，制作了<样本，标签>格式的数据集。为了兼顾样本的使用率和训练次数，使用 K 折交叉验证的方法，对数据集进行了重新划分。
（2）为了获得更好的煤和矸石识别模型，本文分别对多种经典卷积神经网络进行了算法和结构上的分析，包括 AlexNet、VGGNet、GoogLeNet 和 ResNet。并对上述四种网络模型在识别准确率、深度、参数量以及识别速度等维度上进行了比较，最后确定使用后三者作为煤和矸石的识别研究。并对其结构进行了改进，实验结果表明，改进后的网络模型在煤和矸石的识别任务中具有更好的性能，其F1 值均有所提高。通过重新构建不同粒度的煤和矸石图像样本数据集，分析了网络模型对不同粒度的煤和矸石的识别效果。
参考文献（略）